谈谈程序化广告发展历程与爱点击运营优化能力

程序化广告从最早的单个媒体的传统手工操作到现今的私有市场广告销售体系经历了几个阶段。

第一阶段 广告联盟体系

2010年许多互联 媒体崛起，特别是许多垂直类中小 站纷纷建立起来， 络广告变得越来越碎片化。加上资金能力与宣传能力不及头部媒体，其自身的可持续发展受到了制约，急需有一个联盟来消化这些垂直中小媒体的广告库存。

于是广告联盟（Adnetwork）孕育而生，当时的Adnetwork主要是一个集各家中小媒体的集合下单系统平台，他收集了各家媒体渠道，将广告主需要投放的广告信息录入在平台中，包括广告主资质、广告素材、监测代码、投放要求等。

媒体渠道也有一个接收平台，对于收到的下单需求，进行整理后由媒体渠道在内部进行广告投放。其主要特征是将原先传统的纸质下单模式转移到线上下单模式，但并未改变代理负责下单，媒体负责投放的广告运营模式。

第二阶段 DSP/RTB/ADX体系

2013年，Adnetwork由于定价话语权过大，广告主与媒体渠道沟通不通畅，以及广告主/代理公司希望除下单功能外增加投放的自控力和优化能力，以满足代理公司日益增长的广告营销需求，DSP需求方平台孕育而生。

而受到百度竞价排名的启发，阿里成为第一家将旗下所有媒体和广告位进行整合，将非头部广告资源进行打包，运用竞价购买模式，将广告位流量直接接入DSP需求方平台，使得DSP平台可以短时间同时接触到大量的媒体资源，而不用一家家洽谈，同时也可以快速接触到大量的互联 用户。

这种体系一方面降低了广告主购买资源的中间成本和时间成本，另一方面也让中小 站的收益增加，使得合适的广告展示在合适的用户面前变得可行和可量化，大大缩短了广告主与互联 用户的距离。

第三阶段 SSP Adserving PDB体系

2016年，随着DSP, ADX的灵活性受到了广大广告主和媒体的欢迎，同时一些大的媒体和大的广告主也在思考，如何将头部好的媒体资源收益最大化， 如何让自己的品牌能够拿到最好的资源。

这时头部主流媒体在原先RTB的基础上把最好资源拿出来，不参与公开竞价，以较高的价格给到希望专享优质资源的广告主，同时要求广告主承诺或锁定固定流量以实现媒体可见的预期收益，这时PDB被创造出来。

PDB 以专享资源专门价格固定流量的方式给到追求头部资源的大广告主们。同时为了更好管理头部专享资源，SSP也孕育而生，管理各家媒体，各个广告位的专享流量，满足广告主对不同媒体不同广告位营销通路服务。

而Adseving作为DSP的升级版，专门对接SSP中各家专享资源，实现广告主希望得到的目标受众在最好的专享资源中触达到相关广告，使得广告内容的调性，广告主品牌调性与该媒体该内容的调性相符，实现人(用户)货(品牌)通路(媒体)完美整合。

爱点击程序化运营的方法和优势

程序化运营也是一个技术活，必须要通过强大的受众数据和数学能力，帮助广告主实时决策，合理花钱，让广告主的广告花费用在刀刃上。

要搞定这些，单靠人力远远不够，而必须有受众的非常准确的兴趣信息数据，标签数据，人群信息数据等，而且还必须依靠一套强大的算法来进行广告位的竞价，这种方法就是“程序化运营”的方法。

也就是说，程序化运营依赖于两个重要事情：其一，受众数据，准确的，海量的; 其二，强大的算法支持，保证最合理的竞价触达到想要的受众。

要有受众数据，就必须要有存储和管理受众数据的平台，这时DMP数据管理整平台就出现了。简单讲，DMP手中握有受众数据，并且能够让DSP接驳进来， DMP为了获取受众的数据，它至少要做几件事情：

一、需要用户的物理身份，这个物理身份在目前的技术条件下，根据PC与MOB不同，分为cookie ID与device ID. 随着2013年以后移动手机迅速崛起，移动广告资源成为了现在广告主的主流渠道，所以device id相对cookie id对于DMP更加重要。

用户物理身份不会亲自告诉你，手机系统平台也有很多限制，爱点击在用户物理身份的征程中也开创和整理出一些方式方法：

1. 创建开发爱点击自有数据监测与数据收集两合一代码。一方面为广告主提供监测服务，另一方面通过广告主广告投放收集媒体中用户的主要10种物理身份参数。多年来爱点击服务的广告主与运营投放过的广告商以万为单位，所以收集积累了相当大的数据。
2. 创建SSP私有媒体平台（IAS）与公有ADX媒体平台（IAX）, 将媒体对接在这些平台中，通过平台中埋码监测收集用户物理身份。
3. 作为腾讯的铂金代理商，将这些用户物理身份与腾讯平台数据每天进行验证，以确认这些物理身份具有真实性与活跃性。

二、对用户物理身份进行特征标注。物理身份只是计算机给某位用户标注了各种含字符串的编码，但这个身份编码背后是一个有着情感、意愿、活灵活现的真人。为了给身份编码还原最真实的人物特征，需要从多角度全方位来判断和审视。爱点击也开创和整理了一些方法尽量还原人物的本来面目。

1. 对用户浏览内容的关键词抓取与频次分析，语义语境自学习分析，根据偏好指数划定偏好阈值。
2. 对用户 上行为频率分析，包括浏览点击点赞转发留言等情感梯度频次变化来判断一个人对某件事物的关注度与喜好度，并为这个程度添加一个阈值范围使之有量化标准。
3. 对用户物理属性判断其特征，通过用户的IP地址，上 时间段，上 时长，手机操作系统，手机类型判断其人的 会特征。
4. 与第三方数据企业合作，校准相关人群属性信息，结合浏览内容与 上行为分析，形成基于用户标签范围广度与情感梯度深度的十字交叉分析法。将人群对于某件事物的看法分成痴迷型，专注型，喜好型，兴趣型，认知型。由广而不精到精而不广的人群进行梯度区分。

大量受众数据的积累与丰富的数据分析经验是广告运营优化的基石，有了基石才能决定优化维度的多少，优化维度的细分决定了更科学、更合理、更准确、更节省的出价成交体系，爱点击运营也运用价值判断引导决策原理，使得在完成用户KPI的同时，更合理科学地控制广告投放成本。

1. 决策前每个分支结合点都代表一种排列组合，每个排列组合到最终决策都有一条路径，一种排列组合都会有一个价值判断机制，最后形成各种价值有高有低的组合路径引导运营出价决策，实现最优组合及最低花销比。
2. 找到最具性价比组合后，根据KPI要求，进行复制，同时考虑流量分摊，当最优组合出现流量满足不了时，选择第二档次好组合继续释放流量。

有了DMP, 有个受众数据，强大的算法也是保证广告主最需要的用户能够接收到广告主希望展现的品牌宣传调性。古语云：“物以类聚，人以群分”，这句话不仅揭示了物与人的自组织趋向，更隐含了“聚类”和“人群”之间的内在联系。 爱点击也将古人的智慧结合到现代算法科学中，通过以物拟人，以物窥人的方式，还原用户物理身份背后那个最真实的人物。

1 – 关键词标签算法模型

在我们的程序化运营中，有关键词生成人群包定向的操作，这个关键词定向背后就是关键词标签模型所发挥的作用。关键词标签模型就是将某个标签与某个物理身份对应，将用户不同情感梯度的 上行为对应该标签。

如果把关键词标签比作一根竹签，上面串了不同梯度 上行为的糖葫芦。一个用户有不同关键词标签，每个关键词标签的情感梯度也不一样，通过排列组合，将关键词词频触达最多的，情感梯度最深的用户挑选成人群包，作为广告运营优化中一支重要的人群优化条件。许多关键词标签组成关键词标签库，作为受众对象模型的基础元数据。

2 – 受众对象算法模型

在我们的程序化运营中，有受众对象人群包定向的操作，受众对象标签模型也基于用户全部关键词标签的深浅度进行加权归一化处理。将用户物理身份对应的全部关键词标签进行权重映射函数分析，刻画出关键词对于用户的重要程度，形成了受众对象标签模型。

可以把受众对象标签想象成一个草桩，上面密密麻麻的插满了不同口味的糖葫芦。有的是重口味的兴趣，有的是轻口味的兴趣。关注度越强，信 越强，该兴趣的口味就越重。受众对象模型又是受众聚类模型的原子单元，可以形象地理解为多维聚类空间中的一个”点”。通过受众聚类算法，将含有相似关键词标签集合的用户聚合在一起，就组成了受众聚类模型。

3 – 受众聚类模型

在我们程序化运营中，经常会进行人群兴趣标签优化操作，其背后主要是受众聚类模型算法的支持。将某个兴趣标签口味重的糖葫芦（用户）聚合在一起，聚类算法的宗旨和评判标准是同类对象相似度尽可能大，而各个类之间的相似度尽可能小。

相似或不相似的描述是基于数据描述属性的取值来确定的，通常是用各对象在多维空间中的距离来表示。爱点击将聚类算法进行融合改进，使得整个聚类算法更加符合实际广告投放需求，将分层算法与划分算法结合到一起，克服了偏向发现相似大小和圆形形状聚类的问题；同时在处理高维数据和异常数据时也表现得更加高效稳定。

除了强大的海量数据收集能力与算法支持能力外，爱点击在广告运营优化中也尽量规避潜在的风险。爱点击创建了

1. 异常流量 警机制，对于媒体极短时间内流量爆量制定了接口请求关闭措施；
2. 定向过滤筛查，是对不同定向操作后产生的无流量情况，进行过滤筛查，找出未出流量的问题出在哪个操作环节；
3. 操作日志功能，可以追述过往操作优化中的可取之处。

程序化广告运营中，目前主要是品牌广告为主，但很多时候也会和效果广告作为一个整体，进行全盘优化和分析，配合效果广告提升效果。品牌广告在其中以目标受众的触达，后续行为为主要出发点。

以一家3C行业的客户为例，其主要广告投放在重要电商节之前，以达到电商节中扩大销量的目的。我们程序化品牌广告在电商前的预热广告和电商节后的延续性广告，提升了其在电商平台的销量。

预热期，我们先通过品牌调性素材体现出该品牌定位高端的特性，同时我们根据该3C声音产品的使用场景，制定出了和声音有关的人群调性，从数据中发现真正专注音乐，对音质有要求的专业人士不是占多数，且多数是关注影视音设备的人士。而大多数人是把音乐作为一个背景在相关场景中的应用。

我们在运营优化中将平时喜欢浏览关键词为“比特流”，“降噪阻抗”“频率响应”，“动圈换能器”等高词频用户组成专业人士包，同时对于普通用户，定位在学习场景下的学生人群，健身房场景的健身人士，通勤场景的办公室白领人群（主要是从事设计，广告，动画），游戏场景下的游戏专注人群等。这些受众人群也是根据受众对象模型算法得出的有效人群定向。最后配合效果广告投放，取得不错的电商销售效果。